2단원 기초 · 방정식과 행렬

0으로 사라지는 핵(커널)과 도달하는 상(열공간)

방정식 $Ax = b$를 행렬로 푼다는 것은 무엇을 뜻할까요? 행렬이 정하는 변환에서 0으로 압축되어 사라지는 입력들의 모임인 핵(Kernel, 커널)과, 실제로 도달할 수 있는 출력들의 모임인 상(Image, 열공간)을 이해하면 연립방정식의 해의 구조와 역행렬, 그리고 수반행렬의 비밀이 한눈에 보입니다.

1연립방정식과 행렬 — 행의 관점과 열의 관점

연립일차방정식을 행렬 곱 $Ax = b$로 나타낼 때, 우리는 두 가지 서로 다른 렌즈로 식을 해석할 수 있습니다.

① 행의 관점 (Row Picture)

각 행은 하나의 방정식(직선 또는 평면)을 나타냅니다.

$$\begin{cases} 1x_1 + 2x_2 = 5 \\ 2x_1 + 1x_2 = 4 \end{cases}$$

해는 두 직선(또는 3차원에서는 평면들)의 공통 교점입니다. 가우스 소거법은 식을 조합해 축과 나란한 형태로 교점을 찾아내는 과정입니다.

② 열의 관점 (Column Picture)

행렬의 열벡터들을 미지수 $x_i$만큼 늘려 더하는 선형결합입니다.

$$x_1 \begin{pmatrix} 1 \\ 2 \end{pmatrix} + x_2 \begin{pmatrix} 2 \\ 1 \end{pmatrix} = \begin{pmatrix} 5 \\ 4 \end{pmatrix}$$

“열벡터들을 계수 $x_1, x_2$로 조합하여 목표 벡터 $b$를 조립할 수 있는가?”를 묻습니다. 현대 선형대수학의 중심 시각입니다.

첨가행렬 $(A \mid b)$에 세 가지 기본 행 연산(행 교환, 행 상수배, 행 더하기)을 적용하면 해집합을 유지하면서 기약 행 사다리꼴(RREF)을 만듭니다. 여기서 각 행의 첫 0이 아닌 성분 위치를 피벗(Pivot)이라 하고, 피벗이 없는 열의 변수를 자유변수(Free Variable)라고 부릅니다.

2핵(커널)과 상(열공간), 그리고 랭크–널리티 정리

행렬 $A$ ($m \times n$)는 입력 공간 $\mathbb{R}^n$에서 출력 공간 $\mathbb{R}^m$으로 보내는 선형변환 $T_A(x) = Ax$를 정의합니다.

0으로 붕괴되는 입력 공간

핵 (Kernel / Null Space, $\ker A$)

변환 후 영벡터 $\mathbf{0}$으로 수축되는 모든 입력 벡터의 집합입니다.

$$\ker A = \{x \in \mathbb{R}^n : Ax = 0\}$$

  • 동차방정식 $Ax = \mathbf{0}$의 모든 해공간입니다.
  • 정보의 손실: 변환 과정에서 어떤 차원이 0으로 찌그러졌는지를 나타냅니다.
  • 단사(일대일) 조건: $\ker A = \{\mathbf{0}\}$뿐이어야만 서로 다른 두 입력이 같은 출력으로 뭉개지지 않습니다!
실제로 도달 가능한 출력 공간

상 (Image / Column Space, $\operatorname{im} A$)

입력에 $A$를 곱해 실제로 만들어낼 수 있는 모든 출력 벡터의 집합입니다.

$$\operatorname{im} A = \{Ax : x \in \mathbb{R}^n\} = \operatorname{Col}(A)$$

  • 행렬 $A$의 열벡터들이 생성(span)하는 부분공간입니다.
  • 도달 가능한 세상: $Ax = b$의 해가 존재하려면 $b \in \operatorname{im} A$여야 합니다.
  • 전사(공역 전체 도달) 조건: $\operatorname{im} A = \mathbb{R}^m$이어야만 모든 출력 $b$를 만들어낼 수 있습니다!

★ 선형대수학의 기본 정리: 랭크–널리티 정리 (차원 정리)

$$\dim(\ker A) + \dim(\operatorname{im} A) = n \quad \Longleftrightarrow \quad \text{널리티(Nullity)} + \text{랭크(Rank)} = \text{입력 공간 차원}$$

직관적 의미: 입력 $n$차원 중 일부는 0으로 납작하게 눌려 사라지고($\dim \ker A$), 남은 차원만이 출력 공간으로 살아남아 상($\dim \operatorname{im} A$)을 형성합니다. "사라진 차원 + 살아남은 차원 = 원래 입력 차원"이라는 보존 법칙입니다!

비동차방정식 $Ax = b$의 모든 해의 구조: $$x = x_{\text{특수해}} + x_{\text{핵의 원소}} \quad (x = x_p + x_h,\ x_h \in \ker A)$$ 특수해 $x_p$가 평행이동의 기준점이 되고, 핵 $\ker A$가 해집합의 모양과 차원을 결정합니다.

33차원 공간에서 보는 핵과 상의 기하학

3차원 입력 공간 $\mathbb{R}^3$이 행렬 $A$에 의해 어떻게 변환되는지 마우스로 직접 돌려가며 관찰해 보세요. 선택한 시나리오에 따라 공간이 선이나 면으로 찌그러지는 모습을 확인할 수 있습니다.

입력 벡터 $x$:
🖱️ 마우스/터치 드래그로 3D 회전
🔴 핵(Kernel)의 기하적 형상
...
🟢 상(Image)의 기하적 형상
...
차원 정리: dim(ker A) + dim(im A) = 1 + 2 = 3
입력 x = (1.5, 1.0, 1.2) → 출력 Ax = (...)

4실제 행렬에서 핵과 상을 구하는 완전한 과정

행렬이 주어졌을 때 기본 행 연산(소거법)을 통해 핵과 상의 기저를 구하는 표준 절차입니다. 정사각행렬뿐 아니라, 열과 행의 수가 다른 $2 \times 3$ 행렬과 $3 \times 2$ 행렬에서 어떤 특성이 나타나는지 탭을 눌러 비교해 보세요.

예제 1. $3 \times 3$ 정사각행렬

다음 행렬 $A$의 핵과 상의 기저를 각각 구하고 차원 정리를 확인해 봅시다.

$$A = \begin{pmatrix} 1 & 2 & 1 \\ 2 & 5 & 0 \\ 3 & 7 & 1 \end{pmatrix}$$
1단계: 기본 행 연산으로 기약 행 사다리꼴(RREF) 만들기

$R_2 \leftarrow R_2 - 2R_1$, $R_3 \leftarrow R_3 - 3R_1$ 연산을 적용하면:
$$\begin{pmatrix} 1 & 2 & 1 \\ 0 & 1 & -2 \\ 0 & 1 & -2 \end{pmatrix} \quad\longrightarrow\quad \operatorname{RREF}(A) = \begin{pmatrix} \mathbf{1} & 0 & 5 \\ 0 & \mathbf{1} & -2 \\ 0 & 0 & 0 \end{pmatrix}$$ 피벗(Pivot)은 1열과 2열에 있습니다. 3열은 자유변수 열입니다.

2단계: 상 ($\operatorname{im} A$)의 기저 구하기 — 원래 행렬의 피벗 열!

RREF에서 피벗이 위치한 열은 1열과 2열입니다. 따라서 원래 행렬 $A$의 1열과 2열이 상의 기저가 됩니다! $$\operatorname{im} A = \operatorname{span}\left\{ \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix},\ \begin{pmatrix} 2 \\ 5 \\ 7 \end{pmatrix} \right\},\quad \operatorname{rank}(A) = \dim(\operatorname{im} A) = 2$$ ※ 주의: 소거된 RREF의 열벡터를 기저로 쓰면 안 됩니다. 원래 행렬 $A$의 열을 골라야 합니다.

3단계: 핵 ($\ker A$)의 기저 구하기 — $Ax = 0$ 풀기

$\operatorname{RREF}(A)x = 0$에서 식을 읽으면:
$x_1 + 5x_3 = 0 \implies x_1 = -5x_3$
$x_2 - 2x_3 = 0 \implies x_2 = 2x_3$
자유변수 $x_3 = t$ ($t \in \mathbb{R}$)로 두면 해벡터는 다음과 같습니다: $$x = \begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix} = \begin{pmatrix} -5t \\ 2t \\ t \end{pmatrix} = t \begin{pmatrix} -5 \\ 2 \\ 1 \end{pmatrix}$$ 따라서 핵의 기저는 $\left\{ (-5, 2, 1)^T \right\}$이며, $\operatorname{nullity}(A) = \dim(\ker A) = 1$입니다.

4단계: 랭크–널리티 정리 검증

$$\operatorname{rank}(A) + \operatorname{nullity}(A) = 2 + 1 = 3 \quad (A\text{의 열 수, 곧 입력 차원 } n=3)$$ 입력 3차원 중 1차원은 $(-5, 2, 1)^T$ 방향을 따라 원점으로 사라지고, 2차원 평면만이 출력으로 살아남습니다!

예제 2. $2 \times 3$ 행렬 (미지수 3개, 식 2개: $\mathbb{R}^3 \to \mathbb{R}^2$)

가로가 긴 행렬에서는 어떤 차원 법칙이 성립할까요?

$$A = \begin{pmatrix} 1 & 2 & 1 \\ 2 & 5 & 0 \end{pmatrix}$$
1단계: RREF 계산

$R_2 \leftarrow R_2 - 2R_1$ 후 $R_1 \leftarrow R_1 - 2R_2$:
$$\operatorname{RREF}(A) = \begin{pmatrix} \mathbf{1} & 0 & 5 \\ 0 & \mathbf{1} & -2 \end{pmatrix}$$ 피벗 열: 1열, 2열 / 자유변수 열: 3열 ($x_3$)

2단계: 상($\operatorname{im} A$)과 핵($\ker A$)의 기저

상 (Image): 원래 행렬의 1열과 2열
$$\operatorname{im} A = \operatorname{span}\left\{ \begin{pmatrix} 1 \\ 2 \end{pmatrix},\ \begin{pmatrix} 2 \\ 5 \end{pmatrix} \right\} = \mathbb{R}^2 \quad (\operatorname{rank} = 2,\ \textbf{전사!})$$ 출력 공간 $\mathbb{R}^2$ 전체를 가득 채우므로 모든 $b \in \mathbb{R}^2$에 대해 해가 존재합니다.

핵 (Kernel): $x_3 = t$로 두면 $x_1 = -5t, x_2 = 2t$
$$\ker A = \operatorname{span}\left\{ \begin{pmatrix} -5 \\ 2 \\ 1 \end{pmatrix} \right\} \quad (\operatorname{nullity} = 1)$$

★ 2×3 행렬의 결정적 특성: 왜 절대로 일대일(단사)이 될 수 없을까?

입력 차원은 $n=3$, 출력 차원은 $m=2$입니다. 랭크는 기껏해야 공역 차원인 2를 넘을 수 없습니다 ($\operatorname{rank} \le 2$).
따라서 차원 정리에 의해: $$\operatorname{nullity}(A) = 3 - \operatorname{rank}(A) \ge 3 - 2 = \mathbf{1}$$ 핵의 차원이 무조건 1 이상이어야 하므로, 0으로 압축되는 입력 방향이 반드시 존재합니다. 따라서 미지수가 식보다 많은 가로 행렬은 절대로 일대일(단사)이 될 수 없습니다!

예제 3. $3 \times 2$ 행렬 (식 3개, 미지수 2개: $\mathbb{R}^2 \to \mathbb{R}^3$)

세로가 긴 행렬에서는 어떤 차원 법칙이 성립할까요?

$$A = \begin{pmatrix} 1 & 2 \\ 2 & 4 \\ 3 & 7 \end{pmatrix}$$
1단계: RREF 계산

$R_2 \leftarrow R_2 - 2R_1$, $R_3 \leftarrow R_3 - 3R_1$ 후 정리:
$$\begin{pmatrix} 1 & 2 \\ 0 & 0 \\ 0 & 1 \end{pmatrix} \quad\longrightarrow\quad \operatorname{RREF}(A) = \begin{pmatrix} \mathbf{1} & 0 \\ 0 & \mathbf{1} \\ 0 & 0 \end{pmatrix}$$ 피벗 열: 1열, 2열 모두 피벗! / 자유변수 열: 없음

2단계: 상($\operatorname{im} A$)과 핵($\ker A$)의 기저

상 (Image): 원래 행렬의 1열과 2열
$$\operatorname{im} A = \operatorname{span}\left\{ \begin{pmatrix} 1 \\ 2 \\ 3 \end{pmatrix},\ \begin{pmatrix} 2 \\ 4 \\ 7 \end{pmatrix} \right\} \quad (\operatorname{rank} = 2)$$ 3차원 출력 공간 속 2차원 평면을 이룹니다.

핵 (Kernel): 자유변수가 없으므로 $x_1 = 0, x_2 = 0$뿐입니다.
$$\ker A = \left\{ \begin{pmatrix} 0 \\ 0 \end{pmatrix} \right\} \quad (\operatorname{nullity} = 0,\ \textbf{일대일 단사!})$$

★ 3×2 행렬의 결정적 특성: 왜 절대로 전사(출력 전체 도달)가 될 수 없을까?

입력 차원은 $n=2$, 출력 차원은 $m=3$입니다. 상의 차원은 입력 차원인 2를 넘을 수 없습니다 ($\operatorname{rank} \le 2$).
하지만 출력 공간은 3차원($\mathbb{R}^3$)이므로: $$\dim(\operatorname{im} A) = 2 < 3 = \dim(\mathbb{R}^3)$$ 출력은 3차원 공간 속 평면 하나에 갇히게 되므로, 평면 밖의 무수히 많은 벡터 $b$에 대해서는 해가 전혀 존재하지 않습니다. 따라서 식이 미지수보다 많은 세로 행렬은 절대로 전사가 될 수 없습니다!

직접 행렬을 입력해 핵과 상 계산하기

크기를 고르고 성분을 입력하면 실시간으로 RREF, 피벗, 상과 핵의 기저, 차원 정리를 계산합니다.

5행렬식(Determinant)의 탄생과 본질 — 부호 있는 부피와 3대 공리

공간을 회전하고 비틀고 늘리는 복잡한 $n \times n$ 행렬 변환이 주어졌을 때, "이 행렬이 공간 전체의 부피를 몇 배로 확대하거나 압축하는가?"를 단 하나의 숫자로 요약한 것이 바로 행렬식($\det A$)입니다. 행렬식은 외워서 푸는 계산 공식이 아니라, 공간의 차원과 가역성의 운명을 결정짓는 가장 우아한 수학적 도구입니다.

5.1 왜 이런 식이 필요했을까? — 연립방정식의 해를 결정하는 '판별자'

수학사에서 '행렬(Matrix)'이라는 이름보다 '행렬식(Determinant)'이라는 개념이 150년이나 먼저 탄생했습니다.
17세기 라이프니츠(Leibniz)와 일본의 세키 다카카즈(Seki Takakazu)는 연립일차방정식을 풀 때, "계수들만 조합해서 해가 존재하는지 한눈에 판별할 수 없을까?"를 고민했습니다.

중학교 $2 \times 2$ 연립방정식에서 마주한 필연적 덩어리: $$\begin{cases} ax + by = p \\ cx + dy = q \end{cases} \implies (ad - bc)x = pd - bq, \quad (ad - bc)y = aq - pc$$ 미지수 $x, y$를 구하면 분모에 한 치의 예외도 없이 $\mathbf{ad - bc}$가 공통으로 묶여 나옵니다:
  • $\mathbf{ad - bc \ne 0}$: 두 직선의 기울기가 달라 유일한 한 점에서 교차 (해 존재)
  • $\mathbf{ad - bc = 0}$: 두 직선이 평행하거나 겹쳐서 해가 없거나 무수히 많음

라틴어 determinare(결정하다)에서 온 이름 그대로, "해의 존재와 유일성을 단번에 결정(Determine)하는 판별식"으로 태어난 것입니다. $3 \times 3$ 연립방정식에서도 소거를 거치면 분모에 정확히 6개 항의 대칭적인 대수적 덩어리가 나타납니다.

5.2 부피를 재는 자(Ruler)의 3대 공리와 유일성 정리 (세르주 랑 / 바이어슈트라스)

공식을 먼저 외우는 것은 본질을 가립니다. 현대 수학자 세르주 랑(Serge Lang)과 바이어슈트라스(Weierstrass)는 행렬식을 "상식적인 부피의 성질 3가지를 만족하는 유일한 함수"로 엄밀하게 정의했습니다:

① 다중선형성 (Multilinearity)

각 열에 대해 각각 선형입니다.
• 한 모서리를 $t$배 늘리면 부피도 $t$배가 됩니다: $\det(\dots, t v_k, \dots) = t \det(\dots, v_k, \dots)$
• 한 변을 두 벡터의 합으로 쪼개면 부피도 두 평행체의 합으로 쪼개집니다 (밑변 고정 높이 덧셈).

② 교대성 (Alternating)

두 열이 같으면 부피는 $0$입니다.
• 두 변이 겹치면 도형의 두께가 사라져 찌그러지므로: $v_i = v_j \implies \det A = 0$
• 따름 성질 1: 두 열을 바꾸면 부호 반전.
• 따름 성질 2: 한 열에 다른 열의 배수를 더해도(전단변형 Shear) 밑변·높이가 같아 부피 불변!

③ 정규화 (Normalization)

단위 정육면체의 부피는 1입니다.
• 표준 단위기저들이 펼치는 단위행렬 $I$의 부피를 기준값 $1$로 선언합니다: $\mathbf{\det(I) = 1}$

🌟 경이로운 유일성 정리 (Uniqueness Theorem)

놀랍게도, 위 세 가지 공리(다중선형, 교대, 정규화)를 만족하는 함수는 수학적으로 오직 단 하나(유일하게)만 존재합니다!
복잡해 보이는 순열 공식(라이프니츠 공식)이나 라플라스 여인수 전개식은 인간이 억지로 꾸며낸 규칙이 아니라, "부피를 상식적으로 측정하려는 이 세 공리를 펼쳤을 때 수학의 필연에 의해 저절로 튀어나온 유일한 계산 결과"입니다.

5.3 인터랙티브 부피 실험실 — 지남성, 전단변형(Shear), 차원 붕괴

2차원에서 두 열벡터 $v_1, v_2$가 이루는 평행사변형을 통해 행렬식의 3대 공리가 공간을 어떻게 지배하는지 직접 실험해 보세요:

가우스 소거법에서 행렬식이 변하지 않는 이유:
한 행(열)에 다른 행(열)의 실수를 더하는 기본 행 연산은 기하학적으로 도형을 평행하게 미는 전단변형(Shear)입니다. 밑변과 높이가 그대로 유지되므로 행렬식(부피)은 100% 보존됩니다!

5.4 세 공리가 낳은 기적의 정리들 — 한눈에 풀리는 선형대수학

부피라는 렌즈를 끼고 보면, 선형대수학의 난해했던 정리들이 직관적으로 당연한 상식이 됩니다:

1. det A = 0 ⟺ 비가역 (차원 붕괴)

부피가 0이라는 것은 3차원 공간이 평면이나 선으로 납작하게 압축되어 $0$으로 사라지는 핵($\ker A \ne \{0\}$)이 생겼다는 뜻입니다. 사라진 차원의 정보는 되돌릴 수 없으므로 역행렬이 존재할 수 없습니다.

2. det(AB) = det A · det B (부피 확대율 곱)

행렬 $B$로 공간 부피를 $\det B$배 확대한 뒤, 다시 변환 $A$로 $\det A$배 확대하면 합성변환 $AB$의 총 부피 확대율은 당연히 $(\det A)(\det B)$배가 됩니다.

3. det(A⁻¹) = 1 / det A (역변환의 부피 복원)

갔다가 돌아오는 왕복 변환($A A^{-1} = I$)의 부피 배율은 $1$이 되어야 하므로, 역변환의 부피 확대율은 원래 변환의 정확한 역수가 됩니다.

4. 고윳값 특성방정식 det(A - λI) = 0 의 정체

$(A - \lambda I)x = 0$을 만족하는 $0$이 아닌 고유벡터 $x$가 존재한다는 것은, $A - \lambda I$ 변환에 의해 특정 축이 $0$으로 찌그러져 부피가 0이어야 한다는 뜻입니다!

6수반행렬(Adjugate)과 역행렬의 4단계 메커니즘

행렬식 $\det A \ne 0$일 때 역행렬 $A^{-1}$이 존재한다는 것을 확인했습니다. 그렇다면 역행렬 공식 $A^{-1} = \frac{1}{\det A}\operatorname{adj}(A)$에 등장하는 수반행렬 $\operatorname{adj}(A)$이란 대체 무엇이고, 왜 여인수 부호에는 $(-1)^{i+j}$가 붙으며, 왜 행렬과 수반행렬을 곱하면 신기하게도 대각선에만 $\det A$가 남을까요?

6.1 여인수 부호 $(-1)^{i+j}$의 기원: 인접 교환 카운트

라플라스 여인수 전개에서 $a_{ij}$의 소행렬식 $M_{ij}$ 앞에 왜 체스판 부호 $(-1)^{i+j}$가 붙을까요? $(1, 1)$ 자리의 성분은 행과 열을 전혀 이동할 필요가 없으므로 부호가 $+1 = (-1)^{1+1}$입니다.
임의의 $(i, j)$ 성분을 기준점인 좌상단 $(1, 1)$ 자리로 끌어올린다고 상상해 보세요:

  • $i$번째 행을 1번째 행으로 올리려면 바로 위의 인접 행과 $(i - 1)$번 교환해야 합니다.
  • $j$번째 열을 1번째 열로 옮기려면 바로 왼쪽의 인접 열과 $(j - 1)$번 교환해야 합니다.

행이나 열이 한 번 교환될 때마다 행렬식의 부호가 $-1$배 되므로, 총 부호 변화는 다음과 같습니다: $$(-1)^{(i-1) + (j-1)} = (-1)^{i+j-2} = (-1)^{i+j} \cdot (-1)^{-2} = \mathbf{(-1)^{i+j}}$$

인터랙티브 $(i, j)$ 위치별 교환 횟수 체험:

아래 $3 \times 3$ 격자에서 원하는 성분을 클릭해 보세요. $(1, 1)$로 옮기는 데 필요한 행·열 교환 횟수와 최종 부호가 시각화됩니다.

6.2 $3 \times 3$ 수반행렬(Adjugate) 단계별 마스터

$2 \times 2$ 행렬은 단순히 주대각선 자리를 바꾸고 비대각선 부호만 바꾸는 공식으로 외우기 쉽지만, 수반행렬의 진짜 의미와 위력은 $3 \times 3$ 이상에서만 경험할 수 있습니다.
소행렬식(Minor) $\to$ 체스판 부호(Cofactor) $\to$ 전치(Adjugate) $\to$ 역행렬 유도 과정을 단계별로 체험해 보세요.

행렬 $A$ 선택 및 입력: (원소를 직접 수정할 수 있습니다)

1단계: 소행렬식 $M_{ij}$ 구하기 (원소를 클릭하여 해당 행·열 가리기)

원하는 위치 $a_{ij}$를 클릭해 보세요. 해당 원소가 속한 행과 열이 십자(Crosshair) 모양으로 지워지고, 남은 4개의 원소로 구성된 $2 \times 2$ 부분행렬의 행렬식 $M_{ij} = ps - qr$이 실시간 계산됩니다.

행렬 $A$ (클릭하여 행·열 마스킹):
전체 9개 소행렬식 행렬 $M$:

7크라메르 공식(Cramer's Rule) — 수반행렬의 자연스러운 열매

역행렬 공식 $x = A^{-1}b = \frac{1}{\det A}\operatorname{adj}(A)b$를 성분별로 전개해 보면 어떤 일이 일어날까요?

$$x_i = \frac{C_{1i}b_1 + C_{2i}b_2 + \dots + C_{ni}b_n}{\det A} = \frac{\det(A_i)}{\det A}$$

여기서 $A_i$는 원래 행렬 $A$의 $i$번째 열을 우변 상수벡터 $b$로 갈아 끼운 행렬입니다!

기하학적 해석: 평행육면체 부피의 비

행렬식은 기저 벡터들이 이루는 평행육면체의 부피입니다. $x_i$는 $A$의 열벡터들이 만드는 부피에 대해, $i$번째 열벡터를 목표 벡터 $b$로 대체했을 때 생기는 부피의 배율과 정확히 같습니다.

2단원 행렬과 선형변환으로 이어보기 →
성취기준 [12고대02-01] 연립일차방정식과 행렬 · [12고대02-02] 가우스 소거법과 역행렬 · [12고대02-03] 행렬식과 그 성질 · [12고대02-04] 핵과 상, 랭크–널리티 정리 · [12고대02-05] 수반행렬과 크라메르 공식